Simulación y Randomización

Hipótesis en Ecología y Evolución

  • Relaciones no lineales
  • Falta de muestreos al azar
  • Bajo tamaƱo muestral
  • No conocemos la distribución de nuestros datos
  • Factibilidad de experimentos

Modelos Nulos

Modelos Nulos

  • Un modelo nulo es aquel que deliberadamente excluye el mecanismo que queremos probar y que suponemos ha originado un patrón en nuestros datos.
  • Es un modelo generador de patrones que se basa en la aleatorización de datos o el muestreo aleatorio de una distribución conocida o imaginada.
  • Se utiliza para responder la pregunta: Āælos patrones observados, podrĆ­an haberse originado en ausencia de determinado mecanismo?
  • Si el patrón observado tiene una baja probabilidad de ser producido por el modelo nulo, nuestro anĆ”lisis aporta alguna evidencia de que el mecanismo puesto a prueba realmente ocurre.

MƩtodo de Monte Carlo

MƩtodo Monte Carlo

Stanislaw Ulam (1909-1984) y John von Neumann (1903-1957). Enrico Fermi (1901-1954)

Modelos Nulos en Evolución

  • Patrones de diversificación de especies en diferentes escenarios evolutivos.
  • ĀæPudo la selección natural actuar sobre la longitud operativa de las flores del gĆ©nero Salvia?

Simulaciones

Genera datos de acuerdo a un modelo definido a priori. Luego, contrastamos nuestros datos con los simulados

trees<-pbtree(b=b,n=Ntip(salvia_tree2),t=h,nsim=1000,method="direct",
              quiet=TRUE)
obj2<-ltt(trees,plot=FALSE)
plot(obj2,col="grey",main="LTT de Calosphace comparado con LTTs simulado", 
     xlim= c(0,18.85))

obj<-ltt(salvia_tree2,log.lineages=T, show.tree=T)
plot(obj,log.lineages=FALSE,log="y",main="LTT plot para Salvia",
     ylim=c(2,Ntip(salvia_tree2)))

Modelos Nulos en EcologĆ­a

¿Difiere la riqueza de especies de peces entre ríos contaminados y no contaminados? ¿Existe evidencia de una separación inusual en la dieta de especies simpÔtricas de lagartijas? ¿Difiere la diversidad taxonómica de aves entre una isla y la tierra firme?

Randomizaciones

La hipótesis bajo investigación sugiere que existe algún tipo de patrón en los datos, mientras que la hipótesis nula dice que el patrón observado es producto del puro azar.

Randomizaciones.

Para aceptar o rechazar \(H_{0}\) debemos:
1- Elegir un estadístico (s) que mida en qué grado los datos observados muestran el patrón en cuestión.
2- Reordenar los datos al azar y volver a calcular el estadístico (s) 3- Repetir el paso 2 muchas veces y obtener la distribución del estadístico (s) 4- Comparar el estadístico observado con la distribución de S obtenida al reordenar al azar los datos.

Randomizaciones

  • Los resultados de las randomizaciones son vĆ”lidos aĆŗn en ausencia de muestreo al azar.
  • Es relativamente sencillo tomar en cuenta las peculiaridades de la situación de interĆ©s y usar estadĆ­sticos adecuados.
  • Los estadĆ­sticos son probados contra una distribución creada ad hoc, por lo que no tienen las limitaciones de las pruebas donde el estadĆ­stico es probado contra una distribución teórica.

Examinando desplazamiento de caracteres en Burmeistera.

Muchhala N, Potts M. 2007. Proc. Roy. Soc. Lond. B 274: 2731-2737.

Si dos especies evitan la competencia colocando el polen en sitios distintos del murciélago tendrÔn mayor éxito. Esperamos que la divergencia local en la exserción debe ser mÔs grande que la esperada por azar.

ESTADISTICO ELEGIDO: Media de las diferencias locales en la exserción.

La media observada de las 32 diferencias es de 6.03 mm

Modelo nulo 1

  • Se permuta el orden de los datos dentro de cada columna. En este modelo nulo, la longitud de las flores es independiente de los sitios donde crece.
  • Se crean 1000 nuevas matrices sitio x especie y en cada una se calcula la media de las diferencias entre pares de especies.

La diferencia media en exserción por las 1000 matrices nulas fue de 5.09 con un rango entre 3.53 a 6.09. Solamente una de las matrices nulas mostró una diferencia mayor a 6.03. Esto representa un valor P de 0.001.

Modelo nulo 2. Con constricción.

  • Se permuta el orden de los datos dentro de cada columna, conservando los 0 en su lugar.
  • En este modelo nulo, cada especie crece solamente en los sitios donde fue registrada, pero su longitud es independiente de ese sitio.
  • Se crean 1000 nuevas matrices sitio x especie y en cada una se calcula la media de las diferencias entre pares de especies.

La diferencia media en exserción por las 1000 matrices nulas fue de 5.66 con un rango entre 4.84 a 6.30. Solamente ocho de las matrices nulas mostró una diferencia mayor a 6.03. Esto representa un valor P de 0.008.

Otras aplicaciones: Modelos lineales randomizados.

  • El mecanismo que se debe excluir del modelo es la correspondencia entre la variable independiente (por ejemplo los niveles del factor en un ANOVA) y la variable dependiente.
  • Para hacerlo permuto los valores de una de las dos variables y recalculo el test \(F\).
  • La \(F\) observada en los datos originales es comparada con la distribución de las \(pseudo F\) creadas en los modelos de permutación.
  • Al no comparar contra una distribución F teórica, el modelo estĆ” libre de los supuestos comunes de los modelos lineales.

FIN